Item based collaborative filtering recommendation algorithms 协同过滤推荐算法的基础论文

本系统在Myeclipse下可以直接运行,选取了原上传代码中的一个算法进行分析运算。 上传文件中有该系统的相关说明。建议大家去Mahout官网查看详细说明。 先前上传的代码是在ANT下运行http://download.csdn.net/source/3358441 电影推荐系统中运用的推荐算法是基于协同过滤算法（Collaborative Filtering Recommendation）。协同过滤是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。

是在协同过滤算法上的一个改进，从而设计出的一个个性化推荐算法

实现过程： 1、得到用户兴趣表，横轴为movie_id，纵轴为user_id 2、计算任何两位用户之间的相似度或者是相关性 3、取与某用户相似度最高的若干个用户的兴趣推荐给该用户（或者找到和每个用户相关系数在阈值以上的用户，并将他们喜欢的电影推荐给该用户）

matlab实现基于项目的协同过滤算法，可学会如何处理movielens数据集，绝对可用。博客地址http://www.cnblogs.com/hxsyl/p/4456757.html

基于邻域推荐算法中，基于物品的协调过滤推荐算法 itemCF 的visual c++ 的实现代码，MovieLens数据集。

压缩文件中包含一下列表： 1，movielens 公开实验数据集(推荐系统研究经常用到~) 2，模拟预测评分的python代码（python3.x）

本资源是推荐系统中最基本且最精但的协同过滤推荐算法实现，包括数据集，以及算法的评价指标MAE的计算，数据集采用MovieLens中两个数据集进行测试，需要别的数据集可以根据自己需要添加，只需修改Base.java文件中的配置即可，本程序配备一个readme文件，里面有程序的运行介绍，程序注释详细，希望对大家有帮助。

这是我参考网上资料后自己写的基于用户的协同过滤算法，包括算法所用到的数据集及相关代码，基于Python实现，代码包含详细解释。

文件是基于物品的协同过滤算法itemCF原理及python代码实现，包含MovieLens数据集中的ml-100k数据集，开发环境是Python2.7.代码是我按照《推荐系统实践》里面的公式写的完整程序，并添加了中文注释。